Evaluation of a finite state machine algorithm to measure stepping with ankle accelerometry: Performance across a range of gait speeds, tasks, and individual walking ability
Notice bibliographique
Résumé
• Wearable sensors increasingly used to assess gait in clinic and community settings. • Detection algorithms need high accuracy across range of abilities and conditions. • Finite state machines have advantages over threshold-based step detection methods. • FSM method reports excellent detection accuracy for speed and dual task conditions. • Potential advantages for expanding to free-living are favourable for FSM methods. Wearable sensors, including accelerometers, are a widely accepted tool to assess gait in clinical and free-living environments. Methods to identify phases and subphases of the gait cycle are necessary for comprehensive assessment of pathological gait. The current study evaluated the accuracy of a finite state machine (FSM) algorithm to detect strides by identifying gait cycle subphases from ankle-worn accelerometry. Algorithm performance was challenged across a range of speeds (0.4-2.6 m/s), task conditions (e.g., single- and dual-task walking), and individual characteristics. Specifically, the study included a range of treadmill speeds in young adults and overground walking conditions in older adults with neurological disease. Manually counted and algorithm-derived stride detection from acceleration data were evaluated using error analysis and Bland-Altman plots for visualization. Overall, the algorithm successfully detected strides (>96 % accuracy) across gait speed ranges and tasks, for young and older adults. The accuracy of an FSM algorithm combined with ankle-worn accelerometers, provides an analytical approach with affordable and portable tools that permits comprehensive assessment of gait unbounded by setting and proves to perform well in in walking tasks characterized by variable walking. These algorithm capabilities and advancements are critical for identifying phase dependent gait impairments in clinical and free-living assessment.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».